Microsoft Logistic Regression Algorithm
The Microsoft Logistic regresja algorithm is a variation of the Microsoft Neural Network algorithm. Logistyczne regresja jest techniką statystycznych dobrze znanych modelowania binarne wyników, takich jak wyniku tak nie jest używana.
Logistyczne regresja jest bardzo elastyczne, biorąc pod dowolny rodzaj danych wejściowych i obsługuje wiele różnych zadań analizy:
Umożliwia tworzenie prognoz dotyczących wyników, takich jak ryzyka dla niektórych choroby kryteria demograficzne.
Poznaj i waga czynników, które przyczyniają się do wyniku.Na przykład znaleźć czynników, wpływających klientów, należy powtórzyć wizyty do magazynu.
Klasyfikowania dokumentów, wiadomości e-mail lub inne obiekty, które mają wiele atrybutów.
Przykład
Należy wziąć pod uwagę grupy osób, które udostępniać podobnych informacji demograficznych firmie i którzy zakupu produktów firmy Adventure Works.Modelowanie danych, aby odnosić się do określonego rezultatu, takich jak nabycie produkt miejsce docelowe, można zobaczyć, w jaki sposób informacje demograficzne przyczynia się do innego użytkownika prawdopodobieństwo zakup produktów miejsce docelowe.
Jak działa algorytmu
Logistyczne regresja jest dobrze znanych statystycznych metodą określania udział wielu czynników, które pary wyników.Implementacja firmy Microsoft używa zmodyfikowanych sieci neuronowe celu modelowania relacji między wejść i wyjść.Skutki każdej operacji wejścia dla danych wyjściowych jest mierzona i różnych danych wejściowych są liczone w gotowym modelu.Nazwa regresja logistyczne pochodzi z fakt, że krzywej danych jest skompresowany przy użyciu transformacja logistyczne, aby zminimalizować niekorzystny wpływ wartości skrajne.Aby uzyskać więcej informacji na temat wdrażania i sposób dostosowania algorytmu zobacz Regresja logistyczne algorytm informacje techniczne firmy Microsoft.
Dane wymagane dla modeli Regresja logistyczne
Podczas przygotowywania danych do użycia w modelu regresja logistyczne szkolenia, należy zapoznać się wymagania dotyczące określonego algorytmu, potrzebny jest ilości danych i sposobu używania danych.
Wymagania dotyczące modelu logistyczne regresja są następujące:
Pojedyncza kolumna klucz Każdy model musi zawierać jedną kolumnę numerycznym lub tekstowym, które jednoznacznie identyfikują każdy rekord.Złożone klucze nie są dozwolone.
kolumna danych wejściowych Każdy model musi zawierać co najmniej jedną kolumna danych wejściowych, zawierającą wartości, które są używane jako czynniki w analizie.Może być dowolnie wiele kolumna s wprowadzania, ale w zależności od liczby wartości w każdym kolumna, dodanie dodatkowych kolumna s może wydłużyć czas potrzebny na szkolić w modelu.
Co najmniej jedną przewidywalna kolumna Model musi zawierać co najmniej jedną przewidywalna kolumna dowolnego typu danych, łącznie z ciągłą dane liczbowe.Wartości kolumna przewidywalny, również mogą być traktowane jako dane wejściowe do modelu lub można określić, że będą stosowane do przewidywanie tylko.Tabele zagnieżdżone nie są dozwolone w przypadku kolumn przewidywalny, ale mogą być używane jako dane wejściowe.
Aby uzyskać więcej informacji na temat typów zawartości i typy danych obsługiwane w przypadku modeli logistyczne regresja zobacz sekcję Wymagania dotyczące Regresja logistyczne algorytm informacje techniczne firmy Microsoft.
Wyświetlanie modelu regresyjnego logistyczne
Aby poznać modelu, można użyć neuronowe podglądu firmy Microsoft w sieci lub ogólna zawartość drzewa Podgląd firmy Microsoft.
Podczas wyświetlania modelu za pomocą podglądu sieci neuronowe Microsoft Analysis Services zawiera czynniki, które przyczyniają się do określonego wyniku, uporządkowane według ich znaczenia.Można wybrać atrybut i wartości do porównywania.Aby uzyskać więcej informacji zobaczWyświetlanie model wyszukiwania z programem Microsoft neuronowe podglądu sieci.
Jeśli chcesz dowiedzieć się więcej, można przeglądać szczegóły modelu przy użyciu programu Microsoft ogólna zawartość drzewa przeglądarki.Zawartość modeli dla modelu regresja logistyczne obejmuje marginalna węzeł, który zawiera wszystkie nakładów używane dla modelu i podsieci przewidywalne atrybutów.Aby uzyskać więcej informacji zobaczmodel wyszukiwania Zawartości dla logistyczne modele regresji (Analysis Services — wyszukiwanie danych).
Tworzenie prognoz
Po model ma został wyszkolony, można utworzyć kwerendy w zawartości modelu uzyskanie współczynników regresja oraz innych szczegółów lub tworzenie prognoz za pomocą modelu.
Aby uzyskać ogólne informacje dotyczące tworzenia kwerend względem model wyszukiwanie danych zobacz Podczas badania modeli wyszukiwania danych (Analysis Services — wyszukiwanie danych).
Przykłady kwerend dotyczących modelu regresja logistyczne można znaleźć w temacie Podczas badania modelu klastrowanie (Analysis Services — wyszukiwanie danych).
Uwagi
Nie obsługuje przeglądanie szczegółowe.Dzieje się tak, ponieważ struktura węzłów w model wyszukiwania musi być nie odpowiada bezpośrednio na danych źródłowych.
Nie obsługuje tworzenia wymiary wyszukiwanie danych.
Obsługuje korzystanie z modeli wyszukiwania OLAP.
Nie obsługuje korzystania z przewidywanego modelu Markup Language (PMML) do tworzenia modeli wyszukiwania.
See Also